谷歌研究院与加州大学团队在arXiv最新发表的论文提出3D CoCa框架，这一突破性技术通过整合视觉语言对比学习（Contrastive Learning）与场景描述（Captioning）两大前沿方向，实现了对三维场景的多模态联合理解。该框...

InteractVLM作为新一代视觉语言模型(VLM)，实现了从2D到3D的交互推理跨越。该模型通过创新性地利用强大的基础模型，结合多视角渲染技术，将2D推理能力提升至3D空间，能够精准分析人类与物体在三维环境中的接触关系。...

OpenAI宣布对ChatGPT进行升级，增强其聊天机器人的记忆功能，并使其成为默认设置。升级后的ChatGPT将能够参考先前的对话历史，以提供更加相关和有用的回答。这一改进将适用于平台上的所有交流方式。长期记忆对AI而言...

德国视觉与学习实验室（Visinf）最新提出的CUPS（Contrastive Unsupervised Panoptic Segmentation）技术，开创性地实现了无需人工标注数据的全景分割模型训练。该方法通过挖掘场景中心图像中的深度信息和运动线索，...

Easi3R是一项突破性的3D视觉系统，专门针对高动态场景的三维重建进行了优化。该系统通过创新的运动物体掩蔽技术，将移动物体与背景分离学习，从而实现了比现有方法更精确的全场景重建。这一技术解决了动态场景重建中...

近日，一项名为TIDE的创新技术在水下场景理解领域取得重要进展。该技术通过文本到图像转换和密集标注生成方法，能够创建具有一致像素级标签的高质量合成数据集。这一突破性技术解决了水下场景数据获取难、标注成本高...

达特茅斯学院的研究人员发表了首个由生成性AI驱动的心理治疗聊天机器人的临床试验结果。该软件使参与者的症状显著改善，研究对象报告称他们能够信任并和系统进行沟通，这与和心理健康专业人员工作的程度相当。研究表...

视觉几何基础Transformer（Visual Geometry Grounded Transformer，简称VGGT）是一种前馈神经网络，能够直接从场景的一个、几个甚至数百个视角中推断出所有关键的3D属性，包括外部和内部相机参数、点云图、深度图以...